TWOS Dataset (The Wolf of SUTD)

Informacje podstawowe

  • Nazwa: TWOS (The Wolf of SUTD)
  • Alias: Malicious insider threat behavior dataset
  • Dziedzina: Behavioral Biometrics, Insider Threat Detection, Cybersecurity
  • Typ: Mouse dynamics data from gamified competition

Źródło

  • Paper: Harilal et al. [45] - “TWOS: A Dataset of Malicious Insider Threat Behavior Based on a Gamified Competition”
  • Organizacja: Singapore University of Technology and Design (SUTD)
  • Rok: 2017
  • Dostęp: Na żądanie

Charakterystyka

  • Rozmiar: 320 hours of active participation
  • Liczba Uczestników: 24 subjects
  • Imposter Data: 18 hours of imposter data
  • Insider Attacks: At least two instances of insider attack data per user
  • Typ Zbioru: App-restricted continuous data collection (multiplayer game)
  • Format: Mouse movement and interaction data from game environment
  • Licencja: Na żądanie

Opis

TWOS jest wyjątkowym dataset’em, ponieważ gromadzi dane behawioralne, w tym dynamikę myszy, w kontekście zagrażającej insiderami gry multiplayer. Dataset został zebrany poprzez grę “The Wolf of SUTD”, którą zaprogramowali autorzy do zbierania realnych behawioralnych danych przy jednoczesnym wciągnięciu uczestników.

W grze niektórzy gracze przyjmują rolę “szczerych” użytkowników, podczas gdy inni przyjmują rolę “wilka” (napastnika). Ta struktura umożliwia badanie nie tylko autentykacji regularnych użytkowników, ale także detekcji uzurpatorów (impostors) i wykrywania ataków insiderów.

Dataset zawiera znaczną ilość danych dotyczących myszy (mouse dynamics) z 24 uczestników przez 320 godzin aktywnego udziału, w tym 18 godzin danych usurpatora i co najmniej dwa przypadki ataku insiderów dla każdego użytkownika. To czyni go niezwykle wartościowym dla badań nad ciągłą autentykacją i wykrywaniem anomalii.

Zastosowania

  • Continuous user authentication
  • Insider threat detection
  • Imposter detection and identification
  • Adversarial behavior modeling
  • Anomaly detection in user behavior
  • Multi-user environment security analysis

Używany w publikacjach

Benchmarki

ModelMetricPerformanceRokPublikacja
2D-CNNAUC0.932018Chong et al. [26]
2D-CNNEER0.132018Chong et al. [26]

Uwagi

  • Unikalna struktura z możliwością badania ataków insiderów
  • 320 godzin danych - bogata baza dla trenowania modeli
  • Gamifikacja zmotywowała uczestników do naturalnych interakcji
  • Zawiera dane o atakach insiderów - realistyczne zagrożenia
  • Mniejszy zestaw uczestników (24) ale wysoka jakość danych
  • Połączenie autentykacji i detekcji anomalii
  • Dostęp wymaga kontaktu z autorami

Tagi

dataset behavioral-biometrics mouse-dynamics continuous-authentication insider-threat-detection adversarial security